achiziția și păstrarea clienților este foarte dificilă pe piața de astăzi extrem de sensibilă. A devenit foarte important să vă cunoașteți clientul și să îl puteți păstra. În ciclul de viață al managementului clienților, client putinei se referă la o decizie luată de client cu privire la încheierea relației de afaceri. Este, de asemenea, menționată ca pierderea de clienti sau clienti. Conform regulii de rentabilitate a clienților 80/20, 20% dintre clienți generează 80% din venituri. Deci, este foarte important să se prevadă utilizatorii susceptibile de a putinei din relația de afaceri și factorii care afectează deciziile clienților.
deoarece dobândirea de noi clienți este o provocare, este foarte important să se păstreze clienții actuali. Putinei poate fi redusă prin analizarea istoria trecută a potențialilor clienți sistematic. Datele mari sunt menținute despre clienți și pe efectuarea unei analize adecvate pe aceeași este posibil să se prevadă clienții probabili care ar putea putinei. Informațiile disponibile pot fi analizate în moduri diferite și, prin urmare, oferă diferite modalități pentru operatori de a avea în vedere churning-ul și de a se sustrage la fel.
segmentarea și gruparea
un client este probabil să putinei dacă el nu a făcut o achiziție pentru un timp specificat, poate fi cândva între 6 și 8 luni. Și aceasta este definiția care este larg acceptată în toate industriile. Dar înainte de a defini putinei este important să înțelegem că această definiție nu este complet adevărat pentru industria de retail online. De asemenea, un profil de client poate avea multe valori aberante care ar trebui eliminate și trebuie definită o populație de control.
Clientul poate aparține unor segmente sau clustere diferite pe baza comportamentului de cumpărare al clientului și rata de putinei a tuturor acestor clustere nu va fi aceeași. De exemplu, un client poate fi un cumpărător cu preț complet sau poate aparține unui cluster care face achiziții numai în timpul sezonului de vânzare. Rata putinei pentru ambele segmente nu va fi aceeași. Pentru site-uri precum Flipkart și Amazon care vând totul pe platforma lor, clusterele pot fi împărțite în funcție de categoria produselor achiziționate de client. Prin urmare, rata putinei unui client care cumpără doar electronice nu va fi aceeași cu clientul care achiziționează produse de nevoi zilnice pentru casă, deoarece frecvența de a cumpăra produse de nevoi zilnice pentru casă este mai mare decât cumpărarea de electronice. Pot exista și alți factori care influențează segmentele, cum ar fi dimensiunea coșului fiecărei tranzacții, sezonalitatea și frecvența achizițiilor etc.
tehnicile de clusterizare pot fi folosite pentru a identifica clusterele și apoi pentru a utiliza analiza predictivă a clusterelor pentru a identifica clienții care sunt susceptibili de a se produce
și regresia logistică
regresia logistică este utilizată pentru a prezice probabilitatea ca clientul să se producă sau nu.
seturile de date ale clienților sunt analizate pentru a forma ecuațiile de regresie. Se efectuează apoi un proces de evaluare pentru fiecare client din setul de date. Un client este poate fi expus riscului de putinei dacă valoarea p pentru client este mai mare decât o valoare predefinită (de exemplu, 0,5). Analiza de regresie trebuie procesată cu precauție, deoarece poate da rezultate înșelătoare. Multicoliniaritatea rezultată din corelații puternice între variabilele independente este un factor îngrijorător în modelele de regresie logistică. Existența unei multicoliniare puternice duce la concluzii incorecte despre relațiile dintre variabilele independente și dependente, deoarece umflă varianțele estimărilor parametrilor și dă o magnitudine greșită a coeficientului de regresie. În anumite circumstanțe, regresia logistică poate fi utilizată pentru a aproxima și reprezenta sisteme neliniare, în ciuda faptului că este o abordare liniară.
putinei de notare și direcționare
putinei de notare este o metodă care mulți comercianți cu amănuntul adoptă pentru a determina putinei scorul de clientul lor. Aceasta definește în continuare mobilizarea, poziționarea și marketingul clienților. În cele mai multe cazuri, acesta este un scor de probabilitate care transmite loialitatea potențială a clientului.
scorul putinei creează diferite segmente ale Clientului pe baza profilului putinei. Pot fi Churners, clienți fideli, potențiali Churners sau ambivalența clienților. Pe baza segmentelor putinei, se poate lua decizia de a oferi un potențial Churner cu beneficii speciale sau de a oferi programe de loialitate unui client fidel.
algoritmul de clasificare
putinei model de predicție este important în industria de retail pentru a identifica clienții care sunt susceptibile de a putinei din lista lor existentă de clienți activi. Arborele decizional este o valoare bună de identificat pentru a se produce, deoarece majoritatea datelor obținute în industria de vânzare cu amănuntul sunt în mare parte categorice.
CART, Xgboost și Random Forest sunt algoritmii de clasificare utilizați pe scară largă în industrie. Au existat studii efectuate în industrie, care arată că XGBoost s-au dovedit a fi una dintre cele mai eficiente metode de clasificare a churners.
eficiența modelului este determinată de predicțiile false făcute de model. Modelul ar trebui penalizat pentru predicțiile false. Matrice confuzie oferă o idee destul de bună despre acuratețea modelului construit
· http://www.treselle.com/blog/customer-churn-logistic-regression-with-r/
· putinei client în piețele de telefonie mobilă: o comparație a tehnicilor
Leave a Reply